Fouille de données complexes : des relevés terrain aux

Fouille de données complexes : des relevés
terrain aux données satellitaires pour la cartographie de paysages agricoles
Fadi Badra* — Elodie Vintrou ** — Agnès Bégué** —
Maguelonne Teisseire*
* Cemagref, UMR TETIS F-34093 Montpellier, France
** CIRAD, UMR TETIS F-34093 Montpellier, France
{nom}@teledetection.fr
Dans cet article, nous présentons une approche préliminaire de caractérisation des
paysages ruraux et de leurs systèmes de culture à partir de techniques de fouille de données
(recherche d’itemsets fréquents). Cette méthode permet de coupler des données de relevé terrain
aux indicateurs de texture extraits des images satellites. Sa mise en œuvre sur des données
associées au Mali pose les premières bases d’une méthode originale d’extraction de motifs
séquentiels à partir de données complexes.
RÉSUMÉ.
ABSTRACT.
Remote sensing mining
MOTS-CLÉS :
Fouille de données, itemsets fréquents, image satellite, occupation du sol
KEYWORDS:
Data Mining, Frequent Itemsets, Satellite Image, Land Cover
2
SAGEO’10, Toulouse, 17-19 novembre 2010.
1. Introduction
Motivés par des problèmes d’Aide à la Décision, les chercheurs de différentes
communautés (Intelligence Artificielle, Statistiques, Bases de Données ...) se sont intéressés à la conception et au développement d’une nouvelle génération d’outils permettant d’extraire automatiquement de la connaissance de grandes bases de données.
Ces outils, techniques et approches sont le sujet d’un thème de recherche connu sous
le nom de Knowledge Discovery in Databases ou KDD (Extraction de Connaissances
dans les Bases de Données) ou Data Mining (Fouille de Données). Elles sont utilisées
dans de nombreux domaines d’applications. Les exemples les plus courants sont les
compagnies d’assurance, les compagnies bancaires (crédit, prédiction du marché, détection de fraudes), le marketing (comportement des consommateurs, mailing personnalisé), la recherche médicale (aide au diagnostic, au traitement, surveillance de population sensible), les réseaux de communication (détection de situations alarmantes,
prédiction d’incidents), l’analyse de données spatiales, etc.
La fouille de données peut être définie par « Processus non trivial permettant l’extraction automatique de connaissances d’une base de données pour obtenir de nouvelles données, valides, potentiellement utiles et compréhensibles » [FAY 96]. Bien
que le terme de fouille de données représente la découverte de connaissances, il ne
constitue en fait qu’une seule des étapes du KDD, qui comprend globalement trois
étapes : la préparation des données, l’extraction des données (Data Mining) et leur
interprétation.
La première étape consiste à sélectionner uniquement les données potentiellement
utiles de la base (opération de filtrage), sur lesquelles on effectue une phase de prétraitement (gestion des données manquantes ou invalides). Ensuite, les données obtenues passent par une phase de formatage, afin de les préparer au processus de Data
Mining. Finalement, la dernière étape est une étape d’analyse et d’interprétation de la
connaissance extraite par la fouille de données, pour la rendre lisible et compréhensible par l’utilisateur. Les besoins variés nécessitent des approches différentes telles
que la classification, la recherche de corrélations, la segmentation ou encore la détection de déviation.
Notre objectif est de développer et de mettre en œuvre des méthodes de caractérisation des paysages ruraux et de leurs systèmes de culture, en utilisant des techniques
de fouille de données permettant de coupler des données hétérogènes comme les relevés terrains à des informations issues des images satellites. Ce projet vise ainsi à
proposer une approche alternative pertinente pour définir un mécanisme d’apprentissage basé sur des images satellitaires multi-sources (données spectrales, texturales et
temporelles), des données environnementales (climat, relief, type de sol,. . . ) et des
données de terrain, et mettre en évidence des critères d’implication qui n’auraient pas
pu être identifiés autrement. Nous procédons suivant deux étapes :
– Adapter un mécanisme de recherche de motifs séquentiels multidimensionnels,
comme proposé dans [PLA 10], à la fouille de séries d’images satellitaires et des don-
Fouille de données complexes
3
nées pouvant être mises en corrélation (informations externes) ;
– Proposer un système de catégorisation (classification supervisée) basé sur un
mécanisme d’apprentissage afin d’offrir une aide à la cartographie de l’utilisation des
sols. Cette solution doit être le moins sensible possible au changement d’échelle. Les
informations annexes associées à des relevés terrains ou au croisement de bases de
données (modèles numériques de terrain, climat. . . ) seront donc très importantes.
Dans cet article, nous nous concentrons sur la première étape de recherche d’itemsets fréquents à partir de données de télédétection. Un des enjeux de l’application
de ces techniques en télédétection réside dans le fait que les données relatives à une
même réalité terrain sont par nature multi-source, puisqu’elles résultent du croisement
de données isssues de différents capteurs, de relevés terrain et bases de données externes. Leur description se fait par ailleurs dans plusieurs dimensions et combine des
informations spectrales, spatiales et temporelles. Pour cette raison, nous nous tournons vers des algorithmes d’extraction d’itemsets multidimensionnels [PIN 01], qui
peuvent prendre en compte le caractère multidimensionnel des données.
Les résultats présentés dans cet article sont des résultats préliminaires mettant en
œuvre un jeu de données restreint en termes d’imagerie satellitaire (images SPOT
seulement) et de données exogènes. Cette approche préliminaire simplifiée nous a
semblé indispensable pour assurer des bases communes aux deux communautés engagées dans ce travail, les agronomes et les spécialistes de fouille de données.
Dans les sections suivantes, nous décrivons tout d’abord les données étudiées (section 2) pour ensuite présenter les définitions associés aux motifs multidimensionnels
(section 3). Puis, nous décrivons en détail le processus d’extraction mis en œuvre ainsi
que l’analyse des premiers résultats obtenus (section 5).
2. Description des données
2.1. Contexte et zone d’étude
Le Mali est un pays d’Afrique de l’Ouest, autour de la latitude 14°N. Ce pays
possède un gradient climatique Nord-Sud, qui varie de régions subtropicales à semiarides, et s’étend plus au Nord vers des zones arides et désertiques. Le Mali peut
être considéré comme représentatif de la zone soudano-sahélienne, où la forte dépendance à l’agriculture pluviale entraîne une vulnérabilité aux changements climatiques
et anthropiques. Par conséquent, afin de mieux connaître le phénomène de mousson
en Afrique de l’Ouest et sa variabilité, et d’améliorer les prévisions des impacts de
cette variabilité sur l’agriculture et la sécurité alimentaire, une des premières étapes
nécessaires est une estimation fiable du domaine cultivé. Une attention particulière a
été portée sur 3 zones, le long du gradient climatique malien (tableau 1).
4
SAGEO’10, Toulouse, 17-19 novembre 2010.
Site d’étude
Cinzana
(zone soudanosahélienne)
Koutiala
(zone soudanosahélienne)
Sikasso
(zone soudanienne)
Précipitations
moyennes
600 mm/an
750 mm/an
1000 mm/an
Végétation Pourcentage
naturelle
de surface
(en majorité) cultivée
Végétation
mil et sorgho
43%
dégradée
et sol nu
Végétation
mil, sorgho
52%
ouverte et
et coton
fermée
Végétation
maïs, coton
40%
naturelle et
et fruits
dense
Cultures
principales
Tableau 1. Les principales caractéristiques des trois zones d’étude retenues.
2.2. Les données terrain
Des missions de terrain ont été effectuées au Mali de mai à novembre 2009, dans le
but de caractériser les paysages agricoles sahéliens. Au total, 980 points GPS ont été
enregistrés, et des paysans de chacune des régions étudiées ont été interrogés. Chaque
point relevé a été transformé en un polygone dont il est le centre et auquel a été affecté
un type d’occupation du sol.
2.3. Les données image
Pour couvrir de larges zones avec précision, les images SPOT à 10 m de résolution
constituent souvent la solution la plus efficace et la plus rentable. Pour cette étude,
les images utilisées sont des images SPOT5 orthorectifiées et fusionnées, à 2.5 m en
multispectral. Pour des raisons de disponibilité des images sur nos sites d’études, la
date d’acquisition est le 14 novembre 2007 pour Cinzana et le 20 novembre 2007
pour Koutiala et Sikasso. Cependant, les classes d’occupation du sol observées on
globalement peu évolué en deux ans (données terrain en 2009).
À partir de ces images sont calculés un certain nombre de descripteurs spectraux
(indice de végétation) et spatiaux (indices de texture) des états de surface (occupation
du sol) :
– L’indice de végétation NDVI. Les indices de végétation sont des combinaisons,
linéaires ou non, de réflectances dans les bandes spectrales R (rouge), PIR (proche infrarouge) et MIR (moyen infrarouge). Ils permettent de caractériser le couvert végétal
en terme de vigueur de la végétation. Ainsi, ces indices permettent de distinguer une
surface de végétation verte photosynthétiquement active (indice élevé) avec une sur-
Fouille de données complexes
5
face de sol nu, ou faiblement couverte (indice faible). L’indice le plus souvent utilisé
est le « Normalized Difference Vegetation Index » [ROU 74] :
N DV I =
P IR − R
P IR + R
L’indice varie de 0,1 (sol nu) à 0,9 (végétation verte et dense).
– Les indices de texture. L’hétérogénéité spatiale de la couverture végétale est étudiée au travers de la distribution spatiale des variables radiométriques. La variabilité
spatiale d’une image est représentée par le concept de texture. Haralick élargit dans
[HAR 79] la définition en décrivant une texture comme un phénomène à deux dimensions : la première concernant la description d’éléments de base ou primitives (le
motif) à partir desquels est formée la texture ; la deuxième dimension est relative à la
description de l’organisation spatiale de ces primitives.
En télédétection, l’utilisation de variables texturales dans les algorithmes de classification augmente la précision des résultats de classification par rapport à l’utilisation
de la seule information spectrale [HAR 73]. Les images utilisées étant des champs
continus de variables radiométriques, l’approche microtexturale est plus adaptée. La
matrice de co-occurrences (ou matrice de dépendance spatiale) est une des approches
les plus connues et les plus utilisées pour extraire des caractéristiques de textures.
Elle effectue une analyse statistique de second ordre de la texture, par l’étude des relations spatiales des couples de pixels [HAR 73, HAR 79]. Quatorze indices (définis par
Haralick) qui correspondent à des caractères descriptifs des textures peuvent être calculés à partir de cette matrice. Dans cette étude, les indices d’homogénéité, variance,
dissimilarité, et contraste ont été calculés sur une fenêtre de 15 × 15 pixels.
3. Extraction d’itemsets séquentiels multidimensionnels
Le problème de la recherche de motifs séquentiels a été introduit par R. Agrawal
dans [AGR 95] et appliqué avec succès dans de nombreux domaines comme la biologie [WAN 04, SAL 09], la fouille d’usage du Web [PEI 00, MAS 08], la détection
d’anomalie [RAB 10], la fouille de flux de données [MAR 06] ou la description des
comportements au sein d’un groupe [PER 09]. Des approches plus récentes [JUL 08]
utilisent les motifs séquentiels pour décrire les évolutions temporelles des pixels au
sein des séries d’images satellites. Néanmoins, à notre connaissance, l’étude de la littérature ne fait état d’aucun travaux sur l’application de techniques de recherche de
motifs séquentiels couplant données externes et télédétection.
Dans cette section, nous introduisons les définitions relatives à la fouille d’itemsets
séquentiels multidimensionnels et décrivons l’algorithme de fouille de données utilisé.
6
SAGEO’10, Toulouse, 17-19 novembre 2010.
3.1. Itemsets séquentiels multidimensionnels
Soit un ensemble D de dimensions et {DR , DA , DT , DI } une partition de D dans
laquelle DR désigne les dimensions de référence, qui permettent de déterminer si
une séquence est fréquente, DA les dimensions d’analyse, sur lesquelles les corrélations sont extraites, et DT les dimensions permettant d’introduire une relation d’ordre
(généralement le temps). Les dimensions DI sont les dimensions ignorées lors de la
fouille.
Pour chaque dimension Di ∈ D, on note Dom(Di ) son domaine de valeurs. À
chaque domaine de valeurs Dom(Di ) est associé une hiérarchie Hi , et l’on suppose
que Dom(Di ) contient une valeur particulière notée >i (la racine de la hiérarchie).
Lorsqu’aucune hiérarchie de valeurs n’est définie sur une dimension Di , nous considérons Hi comme un arbre de profondeur 1 dont la racine est >i et dont les feuilles
sont les éléments de Dom(Di ) \ {>i }. La figure 1 présente un exemple de hiérarchie
de valeurs Hi pour la dimension site-étude.
⏉site-étude
cinzana
koutiala
sikasso
Figure 1. La hiérarchie de valeurs Hi pour la dimension site-étude.
Un item multidimensionnel e = (d1 , d2 , . . . , dm ) est un m-uplet défini sur les dimensions d’analyse DA , c’est-à-dire tel que ∀i ∈ [1 . . . m], di ∈ Dom(Di ) avec Di ∈
DA et ∃di ∈ [1, . . . , m] tel que di 6= >i . Par exemple, e = (sorgho, cinzana) et e0 =
(sorgho, >site-étude ) sont des items multidimensionnels qui décrivent des points terrain sur les dimensions d’analyse DA = {type-de-culture, site-étude}. On
définit une relation d’inclusion ⊆ entre items multidimensionnels : un item multidimensionel e = (d1 , d2 , . . . , dm ) est inclus dans un item multidimensionnel e0 =
(d01 , d02 , . . . , d0m ) (noté e ⊆ e0 ) si ∀i ∈ [1, . . . , m], di = d0i ou est une spécialisation de d0i dans Hi . Dans l’exemple précédent, on a l’inclusion (sorgho, cinzana) ⊆
(sorgho, >site-étude ) car cinzana est une spécialisation de >site-étude dans la hiérarchie Hsite-étude .
Un itemset multidimensionnel i = (e1 , e2 , . . . , em ) est un ensemble non vide
d’items multidimensionnels non deux à deux comparables par rapport à ⊆ (c.-à-d.,
∀i, j ∈ [1, . . . , m], ei * ej et ei + ej ). On définit une relation d’inclusion ⊆ entre
items multidimensionnels : un itemset i est inclus dans un itemset i0 (noté i ⊆ i0 ) si
pour chaque item a de i, il existe un item a0 de i0 tel que a ⊆ a0 .
Une séquence multidimensionnelle s = hi1 , . . . , in i est une liste ordonnée non
vide d’itemsets multidimensionnels. On définit une relation de généralisation (ou spécialisation) entre séquences multidimensionnelles : une séquence s = hi1 , i2 , . . . , in i
Fouille de données complexes
pt-id
1
2
2
3
date
1
1
2
1
type-de-culture
arachide
mil
mil
sorgho
site-étude
sikasso
koutiala
koutiala
koutiala
7
NDVI-100
très faible
faible
modéré
élevé
Tableau 2. Base de données DB.
pt-id
2
2
date
1
2
type-de-culture
mil
mil
site-étude
koutiala
koutiala
NDVI-100
faible
modéré
Tableau 3. Bloc B(mil,koutiala) .
est plus spécifique qu’une séquence s0 = hi01 , i02 , . . . , i0m i s’il existe des entiers 1 ≤
j1 ≤ . . . ≤ jm ≤ n tels que sj1 ⊆ s01 , sj2 ⊆ s02 , . . . , sjm ⊆ s0m .
Étant donnée une table relationnelle DB, on appelle bloc l’ensemble des n-uplets
qui ont la même projection sur DR . Par exemple, le tableau 3 donne le bloc formé
en ne gardant que les n-uplets de la table relationnelle DB donnée au tableau 2 dont
la projection sur DR = {type-de-culture, site-étude} est (mil, koutiala). Le
support d’une séquence est le nombre de blocs qui contiennent cette séquence.
Étant donné un seuil σmin de support minimum, le but de la recherche d’itemsets
séquentiels multidimensionnels est de trouver toutes les séquences dont le support est
supérieur ou égal à σmin .
3.2. Méthode
L’algorithme M 3 SP [PLA 10] effectue efficacement la recherche d’itemsets séquentiels multidimensionnels. Le choix de cet algorithme est motivé par notre objectif
d’intégrer la dimension temporelle de séries d’images dans une prochaine étape.
4. Mise en œuvre
Un processus d’extraction de connaissances a été mis au point (figure 2). Il est
constitué de quatre étapes : (1) chargement des données, (2) préparation des données,
(3) fouille de données et (4) interprétation et validation des résultats.
8
SAGEO’10, Toulouse, 17-19 novembre 2010.
Figure 2. Les différentes étapes du processus d’extraction de connaissances.
Dans l’étape de chargement des données, les données sont collectées et placées
dans une base de données (données “brutes”). Cinq indices images sont calculés à
partir des images SPOT : l’indice de végétation NDVI et les indices de texture variance, homogénéité, contraste et dissimilarité. À chaque point terrain est associée
une valeur de chacun de ces indices, qui est calculée en prenant la moyenne de la valeur de l’indice sur les pixels contenus dans un un polygone carré centré sur ce point
(figure 3). Deux jeux d’indices sont ainsi calculés avec des tailles de polygones de
100 m et 200 m de coté.
L’étape de préparation des données a pour but de constituer l’ensemble d’apprentissage et de formater les données pour pouvoir être traitées par l’algorithme de fouille.
L’ensemble d’apprentissage est constitué en sélectionnant parmi l’ensemble des points
terrain les points qui se situent sur une des images SPOT et qui correspondent à des
relevés en zone de culture. On obtient 498 points dont la répartition par site d’étude et
en culture / non culture est donnée par le tableau 4.
Site d’étude
Cinzana
Koutiala
Sikasso
Culture
138
105
46
Non culture
85
78
46
Total
223
183
92
Tableau 4. Les points terrain de l’ensemble d’apprentissage.
Chaque point de l’ensemble d’apprentissage est décrit par les valeurs qu’il prend dans
un ensemble de dimensions Di :
– id-pt : entier qui identifie chaque point terrain de manière unique
Fouille de données complexes
9
Figure 3. Extraction des indices images pour chaque point terrain sur un polygone
carré centré sur ce point (zoom sur une image SPOT du site de Cinzana, les carrés
rouges sont des polygones de 100 m×100 m centrés sur chacun des points terrain).
© CNES 2009, Distribution SPOT Image
– date : estampille temporelle (constante dans cette expérience)
– site-étude : le nom du site d’étude
– type-de-culture : le type de culture
– nom-village : le nom du village le plus proche, pris parmi les relevés village
– distance-village : la distance du point au village le plus proche
– NDVI-100, variance-100, homogénéite-100, dissimilarité-100 et
contraste-100 : les valeurs des descripteurs images calculés avec des polygones
carrés de 100 m de coté
– NDVI-200, variance-200, homogénéite-200, dissimilarité-200 et
contraste-200 : les valeurs des descripteurs images calculés avec des polygones
carrés de 200 m de coté
Les domaines Dom(Di ) de chaque dimension Di sont ensuite discrétisés en découpant leurs intervalles de valeurs. Pour l’indice de végétation NDVI, le découpage
de l’intervalle de valeurs [−1, 1] est donné par l’expert. Les domaines de valeurs des
indices de texture sont découpés en cinq classes de même effectif. Le tableau 5 résume l’ensemble des dimensions Di utilisées pour décrire les points de l’ensemble
d’apprentissage et le découpage de leurs domaines de valeurs.
10
SAGEO’10, Toulouse, 17-19 novembre 2010.
dimension Di
id-pt
date
site-étude
type-de-culture
nom-village
intervalles de valeurs
{1}, {2},. . . ,{498}
{1}
{cinzana, koutiala, sikasso}
{riz, sorgho, maïs,. . . }
{dioforongo, tigui, sanando,. . . }
distance-village
proche
[0,3000]
eloigne
[3001,+∞[
NDVI-100
NDVI-200
très faible
[-1,0.2]
[-1,0.2]
faible
[0.2,0.3]
[0.2,0.3]
variance-100
variance-200
homogénéite-100
homogénéite-200
dissimilarité-100
dissimilarité-200
contraste-100
contraste-200
modéré
[0.3,0.5]
[0.3,0.5]
élevé
[0.5,1]
[0.5,1]
très faible
faible
modéré
élevé
très élevé
] − ∞, 0.56]
[0.56, 1.22]
[1.22, 2.38]
[2.38, 4.00]
[4.00, +∞[
] − ∞, 0.67]
[0.67, 0.74]
[0.74, 0.80]
[0.80, 0.87]
[0.87, +∞[
] − ∞, 0.26]
[0.26, 0.40]
[0.40, 0.54]
[0.54, 0.72]
[0.72, +∞[
] − ∞, 0.27]
[0.27, 0.44]
[0.44, 0.72]
[0.72, 1.05]
[1.05, +∞[
Tableau 5. Les dimensions Di et le découpage de leurs domaines de valeurs
Dom(Di ) en intervalles.
Une hiérarchie de valeur Hi est construite pour chaque dimension Di . Les hiérarchies considérées sont toutes de profondeur 1 sauf pour l’attribut type-de-culture
(figure 4).
⏉type-de-culture
non_culture
culture
vivrière
de rente
cuirasse veg_nat forêt sol_nu bas_fond prairie
coton eucalyptus
Figure 4. La hiérarchie de valeurs Hi pour la dimension type-de-culture.
Dans l’étape de fouille, l’algorithme de recherche d’itemsets séquentiels fréquents
M 3 SP est appliqué sur les données d’apprentissage formatées, en choisissant un seuil
de support σmin , un ensemble de dimensions de référence DR et un ensemble de
dimensions d’analyse DA .
Les itemsets séquentiels extraits sont présentés à l’analyste pour interprétation et
validation.
Fouille de données complexes
11
5. Résultats et discussion
Toutes les expériences ont été effectuées en prenant DT = {date} et DR =
{id-pt}. Comme la même estampille temporelle est associée à chaque point, les séquences obtenues ne sont constituées que d’un seul itemset. De plus, la dimension
de référence étant l’identifiant des points, l’ensemble d’apprentissage est divisé en
autant de blocs qu’il y a de points d’apprentissage. Par conséquent, dans ces expériences chaque itemset résultat est composé d’un seul item et son support correspond
au nombre de points terrain qui le partagent.
Plusieurs expériences ont été menées en faisant varier les dimensions d’analyse
DA et en ne fouillant que les points situés sur un site d’étude donné (par filtrage de
l’ensemble d’apprentissage avant la fouille).
Site d’étude
Cinzana (223 points)
Koutiala (183 points)
Sikasso (92 points)
s1
s2
s3
s4
s5
s6
Itemset
= h{(culture, >distance-village )}i
= h{(culture, proche)}i
= h{(culture, >distance-village )}i
= h{(culture, proche)}i
= h{(culture, >distance-village )}i
= h{(culture, proche)}i
Support
138 (62%)
121 (54%)
105 (57%)
80 (44%)
46 (50%)
27 (29%)
Tableau 6. Itemsets extraits pour DA = {type-de-culture, distance-village}.
Les itemsets présentés dans le tableau 6 ont été extraits en prenant comme dimensions d’analyse le type de culture et la distance au village le plus proche. Les résultats
montrent que dans les 3 sites étudiés, les cultures sont généralement cultivées autour
des villages, dans un rayon de 2 à 3 km pour la majorité. En effet, 88% des cultures
de Cinzana (121/138, itemsets s1 et s2 ), 77% de celle de Koutiala (80/105, itemsets
s3 et s4 ) et 59% de celles de Sikasso (27/46, itemsets s5 et s6 ) sont dans la couronne de 3 km autour des différents villages. Il n’apparaît pas possible de faire un lien
entre la distance au centre du village et le type de culture au vu du nombre trop faible
de points terrain disponibles par site. Il a cependant été déjà observé dans plusieurs
villages d’Afrique de l’Ouest un aménagement en auréoles. Le village et les jardins
occupent une position centrale. Une première auréole (soforo) est constituée par les
champs « de case » cultivés en rotation annuelle. Une seconde auréole (kongo foro) est
formée par les champs de brousse (mil, sorgho, arachides, coton. . . ). Enfin, la brousse
(kongo) fournit les produits de la chasse, de la cueillette, le bois d’œuvre et de feu. La
distance entre ces 3 auréoles varie entre les villages.
Les itemsets présentés dans le tableau 7 ont été extraits en prenant comme dimensions d’analyse le type de culture et le descripteur NDVI calculé avec des polygones
carrés de 100 m de côté. Nous pouvons signaler que le cycle de production végétale
est particulier au Mali : les cultures étant pour la majorité des cultures pluviales, la
croissance des plantes est étroitement liée à la pluviométrie (quantité et répartition).
12
SAGEO’10, Toulouse, 17-19 novembre 2010.
Site d’étude
Cinzana (223 points)
Koutiala (183 points)
Sikasso (92 points)
Itemset
s7 = h{(culture, très faible)}i
s8 = h{(culture, modéré)}i
s9 = h{(culture, faible)}i
s10 = h{(culture, faible)}i
s11 = h{(culture, modéré)}i
Support
74 (33%)
56 (31%)
33 (18%)
25 (28%)
20 (22%)
Tableau 7. Itemsets extraits pour DA = {type-de-culture, NDVI-100}.
Les supports des itemsets séquentiels sont plus fréquemment faibles concernant le
NDVI à Cinzana, qu’à Koutiala, qu’à Sikasso. Ceci reflète bien le gradient bioclimatique au Mali. Il pleut moins au Nord qu’au Sud, et donc les plantes ont une activité
photosynthétique inférieure à Cinzana qu’à Sikasso, en moyenne. D’autre part, pour le
NDVI du mois de novembre, les cultures sont déjà entièrement récoltées à Cinzana, et
partiellement récoltées à Koutiala et à Sikasso. Ceci explique les 54% de culture avec
un NDVI « très faible » à Cinzana (74/138, itemsets s1 et s7 ), contre 98% et 94% de
cultures avec un NDVI « faible » ou « medium » (itemsets s3 , s5 et s8 à s11 ) à Koutiala
et Sikasso respectivement.
Site d’étude
Cinzana (223 points)
Koutiala (183 points)
Sikasso (92 points)
Itemset
s12 = h{(culture, >variance-100 ,
>homogénéité-100 , >dissimilarité-100 , élevé)}i
s13 = h{(culture, >variance-100 ,
>homogénéité-100 , >dissimilarité-100 , faible)}i
s14 = h{(culture, >variance-100 ,
très élevé, très faible, très faible)}i
s15 = h{(culture, >variance-100 ,
>homogénéité-100 , >dissimilarité-100 , faible)}i
Support
56 (25%)
35 (19%)
23 (25%)
18 (20%)
Tableau 8. Itemsets extraits pour DA = {type-de-culture, variance-100,
homogénéité-100, dissimilarité-100, contraste-100}.
Les itemsets présentés dans le tableau 8 ont été extraits en prenant comme dimensions d’analyse le type de culture et les quatre descripteurs de texture calculés avec des
polygones carrés de 100 m de côté. La présence de quatre indices de texture induit une
difficulté à interpréter la présence des itemsets fréquents. Si l’on analyse seulement
le contraste, on observe dans 20 à 25% des cas, un contraste « élevé » pour Cinzana
(itemset s12 ), « faible » pour Koutiala (itemset s13 ) et « très faible » pour Sikasso. Ce
contraste qui diminue du Nord au Sud peut s’expliquer par une différence de densité d’arbres dans les champs cultivés. Il serait en effet plus commun de trouver des
arbres comme le Balanzan, le Néré ou le Karitier dans des champs de la région de
Cinzana, qu’à Koutiala ou Sikasso, ce qui expliquerait les brusques changements de
radiométrie, et donc un indice de contraste élevé.
Fouille de données complexes
13
Enfin, les différentes tailles de polygones n’induisent pas de changements notables
dans les résultats.
À la suite de cette étude, il apparaîtrait intéressant de faire un lien entre la distance au centre du village et le type de culture. Il doit exister un lien entre les espèces
cultivées et la distance au village, que nous essaierons de déterminer à partir de données terrain supplémentaires. D’autre part, le NDVI et la texture pourraient être mis
en relation avec des images du mois de septembre ou d’octobre. C’est la période pendant laquelle les cultures sont dans des phases de croissance différentes suivant les
régions, et entre elles également, puisque le maïs par exemple, est récolté, alors que
les autres cultures céréalières restent sur pied pour encore un mois voire deux. Nous
essaierons également d’utiliser pour l’extraction d’indices des polygones plus grands,
pour un calcul de texture optimum (la faible taille des polygones ne permet pas de détecter beaucoup de motifs de texture répétés) et enfin, d’utiliser des séries temporelles
d’images MODIS pour prendre en compte le cycle de croissance de chaque occupation
du sol et ainsi mieux les différencier.
6. Conclusion
Nous avons présenté la première étape d’extraction d’itemsets multidimensionnels
d’une méthode de caractérisation des paysages ruraux et de leurs systèmes de culture.
Nous avons mis en œuvre ce processus d’extraction sur des données du Mali et avons
pu fouiller des données hétérogènes comme les relevés terrains avec des indicateurs
obtenus des images satellitaires . Les premiers résultats sont prometteurs et laissent
présager des perspectives d’analyse pertinentes. Il s’agit à présent de poursuivre ces
travaux (1) afin de prendre en compte la partie séquentielle des données (séquences
des images Modis) afin de trouver des motifs séquentiels qui seront le support du
mécanisme de classification des types de culture puis (2) de proposer une évaluation
(rappel, confiance) afin de mesurer l’efficacité d’une telle approche.
7. Bibliographie
[AGR 95] AGRAWAL R., S RIKANT R., « Mining Sequential Patterns », Y U P. S., C HEN A.
L. P., Eds., Proceedings of the Eleventh International Conference on Data Engineering,
March 6-10, 1995, Taipei, Taiwan, IEEE Computer Society, 1995, p. 3-14.
[FAY 96] FAYYAD U. M., P IATETSKY-S HAPIRO G., S MYTH P., « From Data Mining to
Knowledge Discovery : an Overview », Advances in knowledge discovery and data mining, vol. 1, 1996, p. 1–34.
[HAR 73] H ARALICK R. M., S HANMUGAM K., D INSTEIN I., « Textural Features for Image
Classification », IEEE Transactions on Systems, Man, and Cybernetics, vol. 3, no 6, 1973,
p. 610–621.
[HAR 79] H ARALICK R. M., « Statistical and Structural Approaches to Texture », Proceedings of the IEEE, vol. 67, no 5, 1979, p. 786-804, IEEE-Inst Electrical Electronics Engineers Inc.
14
SAGEO’10, Toulouse, 17-19 novembre 2010.
[JUL 08] J ULEA . A., M EGER N., B OLON P., « On mining pixel based evolution classes in
satellite image time series », Proc. of the 5th Conf. on Image Information Mining :
pursuing automation of geospatial intelligence for environment and security (ESA-EUSC
2008), 2008, page 6.
[MAR 06] M ARASCU A., M ASSEGLIA F., « Mining sequential patterns from data streams :
a centroid approach », Journal of Intelligent Information Systems, vol. 27, no 3, 2006,
p. 291-307.
[MAS 08] M ASSEGLIA F., P ONCELET P., T EISSEIRE M., M ARASCU A., « Web usage mining : extracting unexpected periods from web logs », Data Mining and Knowledge Discovery (DMKD), vol. 16, no 1, 2008, p. 39-65.
[PEI 00] P EI J., H AN J., M ORTAZAVI -A SL B., Z HU H., « Mining Access Patterns Efficiently
from Web Logs », T ERANO T., L IU H., C HEN A. L. P., Eds., Knowledge Discovery and
Data Mining, Current Issues and New Applications, 4th Pacific-Asia Conference, PADKK
2000, Kyoto, Japan, April 18-20, 2000, Proceedings, Lecture Notes in Computer Science,
Springer, 2000, p. 396-407.
[PER 09] P ERERA D., K AY J., KOPRINSKA I., YACEF K., Z AÏANE O. R., « Clustering and
Sequential Pattern Mining of Online Collaborative Learning Data », IEEE Transactions on
Knowledge and Data Engineering, vol. 21, no 6, 2009, p. 759–772, IEEE Educational
Activities Department.
[PIN 01] P INTO H., H AN J., P EI J., WANG K., C HEN Q., DAYAL U., « Multi-dimensional
sequential pattern mining », CIKM ’01 : Proceedings of the tenth international conference
on Information and knowledge management, New York, NY, USA, 2001, ACM, p. 81–88.
[PLA 10] P LANTEVIT M., L AURENT A., L AURENT D., T EISSEIRE M., C HOONG Y. W.,
« Mining multidimensional and multilevel sequential patterns », ACM Transactions on
Knowledge Discovery from Data TKDD, vol. 4, no 1, 2010.
[RAB 10] R ABATEL J., B RINGAY S., P ONCELET P., « Aide à la décision pour la maintenance ferroviaire préventive », YAHIA S. B., P ETIT J.-M., Eds., Extraction et gestion des
connaissances (EGC’2010), Actes, 26 au 29 janvier 2010, Hammamet, Tunisie, Revue des
Nouvelles Technologies de l’Information, Cépaduès-Éditions, 2010, p. 363-368.
[ROU 74] ROUSE I., « The explanation of culture change », Science, vol. 185, 1974, p. 343344.
[SAL 09] S ALLE P., B RINGAY S., T EISSEIRE M., « Mining Discriminant Sequential Patterns
for Aging Brain », C OMBI C., S HAHAR Y., A BU -H ANNA A., Eds., Artificial Intelligence
in Medicine, 12th Conference on Artificial Intelligence in Medicine, AIME 2009, Verona,
Italy, July 18-22, 2009. Proceedings, Lecture Notes in Computer Science, 2009, p. 365369.
[WAN 04] WANG K., X U Y., Y U J. X., « Scalable sequential pattern mining for biological
sequences », CIKM ’04 : Proceedings of the thirteenth ACM International Conference on
Information and Knowledge Management, New York, NY, USA, 2004, ACM, p. 178–187.